雙極化SAR參數(shù)對(duì)植被干旱響應(yīng)的顯著性分析

王克曉，虞 豹，黃 祥，李 波

（重慶市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所，重慶 401329）

干旱對(duì)農(nóng)業(yè)生產(chǎn)影響重大，且具有顯著的區(qū)域化特征[1-2]。由于衛(wèi)星傳感器能夠宏觀地獲取地表土壤、植被等地表覆蓋物的多源信息，使得基于衛(wèi)星遙感的農(nóng)業(yè)干旱監(jiān)測(cè)方法已經(jīng)成為當(dāng)前用來監(jiān)測(cè)和表征區(qū)域農(nóng)業(yè)干旱監(jiān)測(cè)的最有效手段[3-4]。近年來，國內(nèi)外諸多學(xué)者基于衛(wèi)星遙感數(shù)據(jù)發(fā)展了大量的可用于農(nóng)業(yè)旱情監(jiān)測(cè)的方法，主要是利用可見光、近紅外光、短波紅外光及熱紅外光等光學(xué)遙感數(shù)據(jù)的波段信息反演遙感干旱指數(shù)和利用合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）技術(shù)，通過監(jiān)測(cè)土壤水分實(shí)現(xiàn)區(qū)域農(nóng)業(yè)干旱程度定量化評(píng)估[5-8]。然而我國西南山區(qū)多云霧，嚴(yán)重影響光學(xué)遙感影像的數(shù)據(jù)質(zhì)量，從而極大地限制了光學(xué)遙感技術(shù)在我國西南地區(qū)農(nóng)業(yè)干旱監(jiān)測(cè)中的應(yīng)用；而在諸多基于SAR 技術(shù)農(nóng)業(yè)干旱監(jiān)測(cè)的相關(guān)研究中，應(yīng)用較多也是全極化SAR 影像數(shù)據(jù)，其成本相對(duì)較高、重訪周期相對(duì)較長，不利于作物物候期內(nèi)多時(shí)相數(shù)據(jù)的連續(xù)獲取。歐洲航天局的Sentinel-1 影像為雙極化SAR 數(shù)據(jù)集，周期短、數(shù)據(jù)源穩(wěn)定，并且可以免費(fèi)獲取，非常有利于農(nóng)業(yè)干旱監(jiān)測(cè)工作的業(yè)務(wù)化運(yùn)行。因此，探索Sentinel-1 雙極化SAR 特征參數(shù)對(duì)植被干旱信息的可表達(dá)性對(duì)于利用SAR 技術(shù)開展西南山區(qū)農(nóng)業(yè)干旱監(jiān)測(cè)有重要意義。

本研究基于Sentinel-2 多光譜影像和Landsat 8 OLI∕TIRS 熱紅外波段構(gòu)建相應(yīng)光學(xué)遙感干旱指數(shù)及其主成分變換主要分量，并與Sentinel-1 特征參數(shù)進(jìn)行相關(guān)性分析，同時(shí)比較不同IRV和IDPRV對(duì)不同植被類型的干旱響應(yīng)分析，探索Sentinel-1 雙極化SAR 參數(shù)對(duì)植被干旱的可表達(dá)性，旨在為西南山區(qū)農(nóng)業(yè)干旱信息監(jiān)測(cè)提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

巴南區(qū)（見圖1）是重慶市主城九區(qū)之一，位于重慶市主城區(qū)南部，東經(jīng)106°26′2″～106°59′53″、北緯29°7′44″～29°45′43″，總面積1 825 km2。區(qū)內(nèi)多為河谷丘陵及長條狀低山地貌，地勢(shì)起伏層次分明，以丘陵為主，高山、丘陵、濕地、河谷皆具。氣候?qū)賮啛釒駶櫄夂騾^(qū)，四季分明，春早秋遲，夏熱冬暖，盛夏多伏旱，冬季多云霧，日照少，濕度大，四季均宜作物生長。

圖1 巴南區(qū)區(qū)位圖

1.2 數(shù)據(jù)選擇與處理

選擇研究區(qū)夏季嚴(yán)重干旱季節(jié)的遙感影像數(shù)據(jù)源，其中光學(xué)干旱指數(shù)和SAR 特征參數(shù)所需數(shù)據(jù)源均為2022 年8 月11 日同天 成像的L2A 級(jí)Sentinel-2 多光譜影像和Sentinel-1 影像IW 模式的雙極化單復(fù)視（Single looking complex,SLC）產(chǎn)品。地表溫度數(shù)據(jù)由氣溫穩(wěn)定、時(shí)間差較短的2022 年8 月13 日成像的Landsat 8 OLI∕TIRS 的熱紅外波段反演獲取。Sentinel-2 產(chǎn)品已經(jīng)過輻射定標(biāo)、幾何校正和大氣校正等預(yù)處理過程，為保持與溫度產(chǎn)品分辨率的一致性，利用ENVI 軟件完成其可見光-紅邊-近紅外-短波紅外等波段降分辨率重采樣為30 m 的數(shù)據(jù)集獲取和光學(xué)干旱指數(shù)的計(jì)算。同時(shí)基于SNAP 軟件平臺(tái)完成Sentinel-1 影像數(shù)據(jù)的軌道校正、輻射定標(biāo)、條帶拼接、極化矩陣生成、多視及地形校正等處理過程，獲得分辨率為30 m的極化協(xié)方差矩陣C2數(shù)據(jù)進(jìn)行雙極化SAR參數(shù)特征提取。

土地覆被類型數(shù)據(jù)通過武漢大學(xué)楊杰和黃昕教授團(tuán)隊(duì)發(fā)布的重慶市2021 年30 m 分辨率的中國土地覆蓋數(shù)據(jù)集裁剪獲得，并提取農(nóng)田、森林、灌木和草地等四種土地覆被類型作為研究對(duì)象，參考基準(zhǔn)為WGS-84投影坐標(biāo)系[9]。

1.3 研究方法

1.3.1 SAR參數(shù)與干旱遙感相關(guān)指數(shù)選取

SAR 參數(shù)與植被含水量密切相關(guān)，可以用來估算與含水量相關(guān)的植被特性[10]。根據(jù)Sentinel -1 數(shù)據(jù)的雙極化通道特征提取IRV[11]、IPRV[12]、IDPRV[13]，三個(gè)植被指數(shù)和同極化后向散射系數(shù)σ0vv等四個(gè)SAR 參數(shù)進(jìn)行分析，其中相關(guān)的雷達(dá)植被指數(shù)計(jì)算公式如式（1）～（4）所示。另外，基于已有的主要光學(xué)干旱遙感監(jiān)測(cè)指數(shù)，結(jié)合Sentinel 2 與Landsat 8 OLI∕TIRS 遙感影像所能提供的波段信息，本研究選用如表1 所示的光學(xué)干旱遙感指數(shù)。

表1 干旱光學(xué)遙感指數(shù)[14]

式中，IRV為雷達(dá)植被指數(shù)（radar vegetation index），IPRV為極化雷達(dá)植被指數(shù)（polarimetric radar vegetation index），IDPRV為雙極化雷達(dá)植被指數(shù)（dual polarimetric radar vegetation index）；分別為VH、VV 極化時(shí)的散射系數(shù)；αDOP為精度衰減因子（dilution of precision），C2為雙極化協(xié)方差矩陣，λ1、λ2為矩陣C2的特征值，det([C2])為矩陣C2的行列式值，Trace[C2]為矩陣C2的跡。

1.3.2 地物類型樣點(diǎn)分布設(shè)計(jì)

以1 km 間距在研究區(qū)內(nèi)構(gòu)建格網(wǎng)，并以逐個(gè)單元格中心為樣本分布點(diǎn)。為使圖斑數(shù)量相對(duì)較少的灌木和草地類型有一定的樣本點(diǎn)數(shù)，通過多邊形轉(zhuǎn)點(diǎn)的方式將其圖斑中心增設(shè)為樣本點(diǎn)。同時(shí)，基于SNAP 平臺(tái)對(duì)Sentinel-2 影像的云掩膜文件進(jìn)行閾值分割，識(shí)別其云層覆蓋與陰影范圍，使所有樣本點(diǎn)位均位于影像云層及陰影以外（見圖2）。

圖2 研究區(qū)樣點(diǎn)分布圖

1.3.3 相關(guān)性分析

Pearson 相關(guān)分析是一種簡單的可用以衡量兩個(gè)變量之間相關(guān)性的方法，其值介于-1 和1 之間，其絕對(duì)值越大，相關(guān)性則越強(qiáng)。其表達(dá)式如下：

式中，rp為相關(guān)系數(shù)，xi、yi分別為變量x、y的樣本觀測(cè)值，其平均值分別為，n為樣本觀測(cè)量。

1.3.4 主成分變換

主成分變換（PCA）是在波段統(tǒng)計(jì)特征的基礎(chǔ)上，通過正交變換將多波段影像中有用的信息集中到少數(shù)幾個(gè)主成分影像中，并使這些主成分影像之間互不相關(guān)，從而達(dá)到數(shù)據(jù)降維的目的[15]。本研究利用主成分變換方法對(duì)前述光學(xué)遙感干旱指數(shù)特征集組合進(jìn)行變換，提取能夠表征干旱程度的主成分波段信息，便于與SAR 特征參數(shù)進(jìn)行相關(guān)分析，探索不同SAR 特征參數(shù)對(duì)植被干旱程度的可表達(dá)性。

2 結(jié)果與分析

2.1 光學(xué)遙感干旱指數(shù)的相關(guān)性

基于地物類型樣點(diǎn)的光學(xué)遙感干旱指數(shù)間的相關(guān)系數(shù)如圖3，可以看出，干旱指數(shù)在0.001 的水平下都呈現(xiàn)極為顯著的相關(guān)性，說明上述干旱指數(shù)均能不同程度地反映植被的受干旱脅迫程度，但各指數(shù)間的相關(guān)性大小差異較大。植被指數(shù)INDV與溫度干旱指數(shù)ITC的相關(guān)系數(shù)為0.56，綜合植被-溫度干旱指數(shù)IVTC與ITC的相關(guān)系數(shù)值為0.88，與INDV的相關(guān)系數(shù)僅為0.21；而IVSW與ITC、INDV的相關(guān)系數(shù)分別為0.75 和0.96，說明IVTC主要偏重于地表溫度對(duì)其響應(yīng)，而IVSW則兼顧了植被長勢(shì)與地表溫度的雙重影響。水分干旱指數(shù)中，IGVM與ISIWS、IMS的相關(guān)性較高，rp值均在0.97 以上，但方向?yàn)樨?fù)；而與IVSD的相關(guān)值為0.78。整體上看，水分干旱指數(shù)與植被指數(shù)INDV的相關(guān)性均高于與溫度干旱指數(shù)ITC的相關(guān)性，并與綜合植被-溫度干旱指數(shù)IVSW的相關(guān)系數(shù)值基本一致。

圖3 基于地物類型樣點(diǎn)的光學(xué)遙感干旱指數(shù)間的相關(guān)系數(shù)

2.2 干旱主成分與雙極化SAR參數(shù)的相關(guān)性

利用主成分變換法分別對(duì)上述八個(gè)光學(xué)干旱遙感指數(shù)進(jìn)行信息融合變換，定量耦合不同干旱評(píng)估指標(biāo)的同時(shí)去除其冗余信息，獲取能夠表征干旱程度最大信息量的主要主成分分量。在提取的八個(gè)主成分中，其中前兩個(gè)主成分的貢獻(xiàn)率分別為71.73%和21.29%，累計(jì)貢獻(xiàn)率達(dá)到93%，表明前兩個(gè)主成分能夠較好表達(dá)研究區(qū)的干旱信息。利用前兩個(gè)主成分與SAR 參數(shù)進(jìn)行相關(guān)性分析（見圖4），可以看出本研究所選取的四個(gè)SAR 參數(shù)與光學(xué)遙感指數(shù)的前兩個(gè)主成分存在不同顯著水平的相關(guān)性，但相關(guān)系數(shù)值各有不同。雷達(dá)植被指數(shù)IRV、極化雷達(dá)植被指數(shù)IPRV、雙極化雷達(dá)植被指數(shù)IDPRV及VV 極化通道的后向散射特征σ0vv與第1主成分的相關(guān)系數(shù)分別為-0.79、-0.16、-0.65 和0.33，相關(guān)系數(shù)對(duì)比結(jié)果說明IRV和IDPRV兩個(gè)參數(shù)更適合于作為評(píng)估地表植被干旱程度的監(jiān)測(cè)指標(biāo)。

圖4 四個(gè)SAR參數(shù)與光學(xué)遙感干旱指數(shù)間的相關(guān)系數(shù)

2.3 IRV與IDPRV對(duì)不同植被類型的響應(yīng)

為比較干旱條件下IRV和IDPRV對(duì)不同植被類型的響應(yīng)程度，本研究基于SAR 影像特征分別繪制了兩者對(duì)農(nóng)田、森林、灌木及草地等四種土地覆被的箱型分布圖（見圖5）?？梢?，在IRV和IDPRV兩個(gè)SAR 參數(shù)特征上，四種土地覆被之間的可區(qū)分性整體趨勢(shì)基本一致：即農(nóng)田與森林、灌木和草地的區(qū)分性及草地與森林的區(qū)分性均較為顯著，灌木和草地的可區(qū)分顯著性水平相對(duì)減小。在IRV特征上，森林與灌木的區(qū)分顯著水平為0.01，而其他土地覆被間的區(qū)分顯著性均為0.000 1；在IDPRV特征上，森林與灌木的區(qū)分顯著水平僅為0.05，農(nóng)田與灌木和草地的區(qū)分顯著性為0.001。對(duì)比可知，干旱條件下，IRV比IDPRV在對(duì)不同植被類型的可區(qū)分性上仍具有很高敏感性，不僅適用于植被類型的區(qū)分，還可用于不同植被類型的干旱程度監(jiān)測(cè)。

圖5 IRV與IDPRV對(duì)不同植被類型的箱型分布圖

3 結(jié)論

本研究在分析相關(guān)光學(xué)遙感干旱指數(shù)相關(guān)性的基礎(chǔ)上，通過主成分分析獲取能夠表示干旱信息的主要信息分量，并與Sentinel-1 數(shù)據(jù)提取的SAR 特征參數(shù)進(jìn)行相關(guān)性分析，開展干旱條件下由其衍生的IRV和IDPRV兩個(gè)參數(shù)對(duì)不同植被類型的響應(yīng)分析，結(jié)論如下。

1）相關(guān)光學(xué)遙感干旱指數(shù)間相關(guān)性表明，不同類型的干旱指數(shù)側(cè)重表達(dá)的方面不同，植被指數(shù)INDV用于干旱監(jiān)測(cè)主要側(cè)重于從植被長勢(shì)方面的表達(dá)，溫度干旱指數(shù)ITC則主要從地表環(huán)境溫度的角度來反映干旱情況。而不同的綜合植被-溫度干旱指數(shù)所表達(dá)的側(cè)重點(diǎn)也有所不同，IVTC偏重于地表溫度對(duì)其響應(yīng)（rp=0.88），IVSW則兼顧了植被長勢(shì)與地表溫度的雙重影響。水分干旱指數(shù)中，IGVM、ISIWS、IMS三個(gè)指數(shù)存在較高相關(guān)性，且與IVSW的相關(guān)系數(shù)值也均在0.8以上。

2）基于主成分變換的干旱最大信息分量與SAR參數(shù)的相關(guān)性分析，雷達(dá)植被指數(shù)IRV、雙極化雷達(dá)植被指數(shù)IDPRV與干旱最大分量信息的相關(guān)系數(shù)分別為-0.79 和-0.65，表明IRV和IDPRV兩個(gè)參數(shù)更適合于評(píng)估地表植被受干旱程度。

3）IRV和IDPRV對(duì)農(nóng)田、森林、灌木及草地等不同土地覆被的箱型分布表明，IRV和IDPRV對(duì)四種土地覆被之間的可區(qū)分性整體趨勢(shì)基本一致，但I(xiàn)RV比IDPRV具有更高敏感性。